工業(yè)機器人被稱為“制造業(yè)皇冠頂端的明珠”，其研發(fā)制造應用是衡量一個國家科技創(chuàng)新和高端制造水平的重要標志。目前，工業(yè)機器人精度退化和設備故障問題突出，給企業(yè)安全生產(chǎn)和經(jīng)濟效益造成巨大負面影響。當前，隨著工業(yè)物聯(lián)網(wǎng)和工業(yè)大數(shù)據(jù)技術的進步，以機器學習特別是深度學習為代表的數(shù)據(jù)驅動方法已經(jīng)成為工業(yè)機器人故障診斷研究的熱點。然而，工業(yè)機器人實際運行過程中，轉速和負載處于持續(xù)改變過程中，嚴重影響了數(shù)據(jù)驅動方法的診斷性能。

　　針對上述問題，研究人員提出了基于深度感知對抗域自適應的工業(yè)機器人變工況故障診斷方法。該方法借助感知損失最小化技術，有效緩解了工業(yè)機器人工況變化帶來的對抗訓練不穩(wěn)定問題；在模型性能評價過程中，首次引入遷移任務難度這一關鍵維度信息，進一步完善了遷移學習模型性能評價體系。該研究還搭建了工業(yè)機器人健康監(jiān)測平臺，對工業(yè)機器人三種典型遷移場景（僅負載改變、僅轉速改變以及負載、轉速同時改變）的遷移難度進行了量化評估，并在三種遷移場景下對比了所提出方法與深度學習網(wǎng)絡和生成對抗網(wǎng)絡的性能，結果表明，所提出方法在遷移難度大的場景下體現(xiàn)出明顯優(yōu)勢。與此同時，考慮到故障診斷過程中需要同時采集來自機器人本體和控制器的數(shù)據(jù)，為了提高工業(yè)機器人數(shù)據(jù)預處理效率，研究提出了基于時間戳映射的工業(yè)機器人數(shù)據(jù)篩選策略。研究成果有效提升了數(shù)據(jù)驅動裝備故障診斷方法的泛化能力，對于提升工業(yè)機器人平均故障間隔時間、縮短單臺機器人維修工期、降低裝備全壽命周期運維成本具有現(xiàn)實意義。

　　相關工作得到國家重點研發(fā)計劃和國家自然科學基金的支持。

　　工業(yè)機器人實驗平臺設置